OpenAI 近日推出新一代語音模型 GPT-Live 系列，主打更接近真人的連續式對話體驗。不同於必須等使用者完整說完才能回應的傳統語音系統，GPT-Live 採用雙向架構，能在生成語音的同時持續處理使用者輸入，並自行判斷應該回應、短暫等待或繼續聆聽。
OpenAI 已開始向全球 ChatGPT 使用者推出 GPT-Live-1 與 GPT-Live-1 mini 兩個版本，並表示很快會在 API 中提供 GPT-Live 存取。根據 OpenAI 的說法，目前 ChatGPT 語音對話已由 GPT-Live 驅動。
雙向架構讓對話不再完全依賴回合切換
在實際對話中，GPT-Live 可以使用「對」、「嗯」及「了解」等簡短回應，讓使用者知道模型正在聆聽；當使用者需要整理思緒時，模型也能保持安靜等待。使用者可以在模型說話時插話、暫停思考，或要求 GPT-Live 放慢語速，互動方式不再侷限於「使用者說完、模型再回答」的固定流程。
OpenAI 同時重新製作了 9 種各具特色的聲音，讓使用者在語音互動時有更多選擇。GPT-Live 也能支援即時翻譯等需要連續理解上下文的語音應用。
從串接模型到連續式語音處理
早期的 AI 語音系統多採串接式架構，依序使用多個模型完成一輪對話。以 ChatGPT 過去的語音功能為例，系統需要先以語音轉文字模型轉錄內容，再交由大型語言模型產生回應，最後透過文字轉語音模型輸出聲音。
這種方式雖然能結合不同模型的能力，但資訊可能在模型之間傳遞時流失，也可能增加延遲，導致回應較為生硬。ChatGPT 進階語音模式則進一步採用回合式語音模型，在單一模型內處理並生成音訊，降低延遲並改善流暢度。
然而，回合式模型仍須等待使用者停止說話後才開始回應。由於系統通常依靠靜音判斷一輪對話是否結束，短暫停頓或背景噪音可能被誤判為說話結束，造成模型在不自然的時間點插話。
GPT-Live 的雙向架構則讓模型不再把每則訊息視為彼此獨立的回合，而是在輸出內容的同時持續處理新的語音輸入，並判斷應該繼續說話或回到聆聽狀態。這項設計有望改善語音對話的節奏與即時性，但實際體驗仍取決於模型判斷、網路連線及使用環境等因素。
複雜任務可轉交其他模型處理
當使用者要求網路搜尋、深入推理或處理較複雜的問題時，GPT-Live 會在幕後將任務轉交給其他先進模型，例如 GPT-5.5。待相關結果準備完成後，系統再把資訊帶回語音對話中，讓使用者不必手動切換模型或離開目前的交談流程。
這種分工方式可讓 GPT-Live 專注於即時聆聽、語音生成與對話節奏，同時借助其他模型處理需要搜尋或較長推理流程的工作。不過，來源內容未進一步說明模型切換的觸發條件、延遲表現或不同版本之間的能力差異。
OpenAI 強調語音安全機制
在安全控制方面，當 ChatGPT 偵測到可能產生不安全的輸出時，系統會引導 GPT-Live 提供更安全的回應，或顯示額外的安全訊息與資源；在風險較高的情況下，則可能結束語音對話。
針對涉及自我傷害的對話，OpenAI 表示已將 ChatGPT 的支援流程調整為適用於語音互動，包括提供經專家審核的求助專線。這顯示語音模型除了需要處理辨識與回應品質，也必須因應即時對話在安全判斷上的特殊挑戰。
語音 AI 競爭持續升溫
OpenAI 指出，每週有超過 1.5 億人透過語音及聽寫等功能與 ChatGPT 對話。隨著使用者逐漸以口語方式取得資訊、練習語言或尋求協助，語音互動的自然程度與反應時機將成為 AI 助理的重要競爭條件。
GPT-Live 若能改善模型等待、插話與理解對話節奏等問題，將進一步提升 ChatGPT 在日常語音互動中的實用性，也可能加劇 OpenAI 與 Google Gemini Live 等服務之間的競爭。不過，模型在不同語言、口音、背景噪音及高風險情境下的實際表現，仍有待推出後持續觀察。
